CN114036381A - 课程推荐方法及装置、存储介质和电子设备 - Google Patents
课程推荐方法及装置、存储介质和电子设备 Download PDFInfo
- Publication number
- CN114036381A CN114036381A CN202111314361.XA CN202111314361A CN114036381A CN 114036381 A CN114036381 A CN 114036381A CN 202111314361 A CN202111314361 A CN 202111314361A CN 114036381 A CN114036381 A CN 114036381A
- Authority
- CN
- China
- Prior art keywords
- course
- data
- target
- score
- user
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 61
- 230000006399 behavior Effects 0.000 claims abstract description 169
- 230000002452 interceptive effect Effects 0.000 claims abstract description 90
- 230000003993 interaction Effects 0.000 claims abstract description 69
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 description 10
- 238000012545 processing Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 7
- 230000002829 reductive effect Effects 0.000 description 5
- 230000002123 temporal effect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000036541 health Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012163 sequencing technique Methods 0.000 description 3
- 239000003795 chemical substances by application Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000014759 maintenance of location Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011157 data evaluation Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000002904 solvent Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/20—Education
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Educational Technology (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开涉及计算机技术领域,涉及了一种课程推荐方法及装置、存储介质和电子设备。该方法包括:采集课程行为数据,所述课程行为数据包括全部用户与课程进行交互行为产生的数据;根据每门课程产生的交互行为和交互行为对应的时间复杂度因子,计算每门课程的基础分值,所述时间复杂度因子用于标识所述交互行为对课程受众程度的影响值;根据当前用户的课程学习内容更新当前用户的多个维度的用户数据,并结合每门课程的基础分值、更新后的用户数据以及预设的权重因子,计算每门课程对应于当前用户的目标分值;根据目标分值确定目标课程集推荐至当前用户。本公开能结合主动倾向引导、课程受众程度和用户偏好向用户推荐课程,课程推荐的准确性高。
Description
技术领域
本公开涉及计算机技术领域,更具体地,涉及一种课程推荐方法、课程推荐装置、计算机存储介质和电子设备。
背景技术
随着计算机技术领域的发展,线上学习已成为一种主流的学习方式,用户可以灵活地选择地点、时间和内容进行学习,其中用户可以通过终端下载学习软件或者登录网页版进行学习,为了迎合各类用户的学习需求,学习软件或平台会向用户推荐课程,因此如何提高课程推荐的准确率成为线上学习中不可小觑的问题之一。
相关技术中的课程推荐方式,通常按照用户选择课程的结果所对应的课程库进行课程推荐,即课程与用户的选择强相关,使得推荐课程符合大众喜好,但所推荐的课程可能并非真正适合当前用户,课程推荐准确率低,导致无效推荐,从而造成用户流失。
需要说明的是,在上述背景技术部分发明的信息仅用于加强对本公开的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的目的在于提供一种课程推荐方法及装置、计算机存储介质和电子设备,进而至少在一定程度上提高课程推荐的准确性。
本公开的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本公开的实践而习得。
根据本公开的一个方面,提供一种课程推荐方法,包括:采集课程行为数据,所述课程行为数据包括全部用户与课程进行交互行为产生的数据;根据每门课程对应的交互行为和所述交互行为对应的时间复杂度因子,计算所述每门课程的基础分值,所述时间复杂度因子用于标识所述交互行为对课程受众程度的影响程度;根据当前用户的课程学习内容更新当前用户的具有多个维度的用户数据,并结合所述每门课程的基础分值、更新后的用户数据以及预设的权重因子,计算所述每门课程对应于所述当前用户的目标分值;根据所述目标分值确定目标课程集推荐至所述当前用户。
在本公开的一种示例性实施例中,所述交互行为包括多个维度的子行为;在所述根据每门课程对应的交互行为和所述交互行为对应的时间复杂度因子,计算所述每门课程的基础分值之前,所述方法还包括:根据子行为类型与可操性因子的对应关系,确定每门课程的多个子行为的类型所对应的目标可操性因子;以所述目标可操性因子作为所述每个子行为对应的时间复杂度因子。
在本公开的一种示例性实施例中,所述方法还包括:针对所述每门课程,获取每个所述子行为对应的目标时间衰减因子,并根据所述目标时间衰减因子更新对应子行为的时间复杂度因子;其中,获取每个所述子行为对应的目标时间衰减因子,包括:针对每门课程,获取每个所述子行为的执行时间到当前时间的时间长度,并获取所述时间长度大于时间阈值的概率,所述概率为每个所述子行为对应的时间长度大于时间阈值的数量与执行次数的比值;根据概率区间与时间衰减因子的对应关系,确定目标时间衰减因子。
在本公开的一种示例性实施例中,所述根据每门课程对应的交互行为和所述交互行为对应的时间复杂度因子,计算所述每门课程的基础分值,包括:获取每个所述子行为的执行次数;根据每个所述子行为的执行次数和对应的时间复杂度因子,计算所述每门课程的基础分值。
在本公开的一种示例性实施例中,所述当前用户的多个维度的用户数据包括所述当前用户的交互行为数据、用户属性数据和业务数据;所述根据当前用户的课程学习内容更新所述当前用户的多个维度的用户数据,并结合所述每门课程的基础分值、更新后的用户数据以及预设的权重因子,计算所述每门课程对应于所述当前用户的目标分值,包括:根据所述课程学习内容确定所述当前用户的兴趣课程类型,并更新所述当前用户的交互行为数据中与所述兴趣课程类型关联的数据;根据所述每门课程的基础分值和预设的课程互动权重因子,计算所述每门课程的课程互动分值,所述预设的课程互动权重因子包含于所述预设的权重因子;结合所述每门课程的基础分值、用户属性数据、业务数据、更新后的交互行为数据,以及预设的权重因子,计算每门课程对应于所述当前用户的用户分值;针对每门课程,根据对应的所述课程互动分值和用户分值计算所述目标分值。
在本公开的一种示例性实施例中,所述结合所述每门课程的基础分值、用户属性数据、业务数据、更新后的交互行为数据,以及预设的权重因子,计算每门课程对应于所述当前用户的用户分值,包括:从所述用户属性数据、业务数据、更新后的交互行为数据中获取兴趣标签;判断是否存在目标兴趣标签对应的目标课程,若存在,则根据所述目标兴趣标签所属目标数据维度对应的权重和所述目标课程对应的基础分值,计算所述目标课程对应于所述目标数据维度的得分;针对每门课程,求取对应于每个数据维度的所述得分的和值,作为所述每门课程对应于所述当前用户的用户分值。
在本公开的一种示例性实施例中,在所述根据所述目标兴趣标签所属目标数据维度对应的权重和所述目标课程对应的基础分值,计算所述目标课程对应于所述目标数据维度的得分之前,所述方法还包括:获取所述目标兴趣标签在所述所属目标数据维度的出现频次;根据所述出现频次调整所述所属目标数据维度对应的权重。
在本公开的一种示例性实施例中,在所述目标兴趣标签所属的目标数据维度包括业务数据时,所述根据所述目标兴趣标签所属目标数据维度对应的权重和所述目标课程对应的基础分值,计算所述目标课程对应于所述目标数据维度的得分,包括:根据所述当前用户的业务数据,评估确定所述当前用户的业务能力维度;若所述业务能力维度达到预设能力维度,则为所述目标课程对应于所述当前用户的业务数据维度的得分添加负号。
在本公开的一种示例性实施例中,在所述根据所述目标分值确定目标课程集推荐至所述当前用户之前,所述方法还包括:获取所述目标课程集中每门课程的播放信息;根据所述播放信息调整所述目标课程集中课程的排序方式,并按照调整后的排序方式将所述目标课程集推荐至所述当前用户。
根据本公开的一个方面,提供一种课程推荐装置,所述装置包括:
数据采集模块,用于采集课程行为数据,所述课程行为数据包括全部用户与课程进行交互行为产生的数据;基础分值计算模块,用于根据每门课程对应的交互行为和所述交互行为对应的时间复杂度因子,计算所述每门课程的基础分值,所述时间复杂度因子用于标识所述交互行为对课程受众程度的影响程度;目标分值计算模块,用于根据当前用户的课程学习内容更新当前用户的具有多个维度的用户数据,并结合所述每门课程的基础分值、更新后的用户数据以及预设的权重因子,计算所述每门课程对应于所述当前用户的目标分值;课程推荐模块,用于根据所述目标分值确定目标课程集推荐至所述当前用户。
根据本公开的一个方面,提供一种计算机存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任意一项所述的课程推荐方法。
根据本公开的一个方面,提供一种电子设备,包括:一个或多个处理器;以及存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如上述任一项所述的课程推荐方法。
本公开的示例性实施例中的课程推荐方法,首先根据每门课程产生的交互行为数据和对应的时间复杂度因子,计算每门课程的基础分值;然后根据当前用户的课程学习内容更新当前用户的多个维度的用户数据,以结合每门课程的基础分值、更新后的用户数据以及预设的权重因子,计算每门课程对应于当前用户的目标分值;最后根据目标分值确定目标课程集推荐至当前用户。一方面,多个维度用户数据的权重因子可配置化,能用于引导用户向不同维度倾向学习,实现用户学习配置化管理;另一方面,每门课程产生的交互行为是基于全部用户的交互数据,使推荐的课程符合大众喜好,在此基础上,结合多个维度的用户数据,也确保推荐课程符合当前用户个性化需求,提高课程推荐的易接受程度;再一方面,在计算每门课程的基础分值时,考虑到交互行为对应的时间复杂度因子,将用户与课程交互行为随时间对课程受众程度的影响作为计算每门课程的基础分值的参数因子,避免因交互行为数据随时间衰减影响课程推荐的准确性。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
通过参考附图阅读下文的详细描述,本公开示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中,以示例性而非限制性的方式示出了本公开的若干实施方式,其中:
图1示出了根据本公开示例性实施例的课程推荐方法的流程图;
图2示出了根据本公开示例性实施例的获取目标时间衰减因子的流程图;
图3示出了根据本公开示例性实施例的计算每门课程的基础分值的流程图;
图4示出了根据本公开示例性实施例的计算每门课程对应于当前用户的目标分值的流程图;
图5示出了根据本公开示例性实施例的结合每门课程的基础分值、用户属性数据、业务数据、更新后的交互行为数据,以及预设的权重因子,计算每门课程对应于当前用户的用户分值的流程图;
图6示出了根据本公开示例性实施例的课程推荐方法应用于具体应用场景的流程图;
图7示出了根据本公开示例性实施例的课程推荐装置的结构示意图;
图8示出了根据本公开示例性实施例的存储介质的示意图;以及
图9示出了根据本公开示例性实施例的电子设备的框图。
在附图中,相同或对应的标号表示相同或对应的部分。
具体实施方式
现在将参考附图更全面地描述示例性实施方式。然而,示例性实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施例使得本公开将更加全面和完整,并将示例性实施方式的构思全面地传达给本领域的技术人员。图中相同的附图标记表示相同或类似的结构,因而将省略它们的详细描述。
此外,所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中,提供许多具体细节从而给出对本公开的实施例的充分理解。然而,本领域技术人员将意识到,可以实践本公开的技术方案而没有所述特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知结构、方法、装置、实现或者操作以避免模糊本公开的各方面。
附图中所示的方框图仅仅是功能实体,不一定必须与物理上独立的实体相对应。即,可以采用软件形式来实现这些功能实体,或在一个或多个软件硬化的模块中实现这些功能实体或功能实体的一部分,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
线上学习作为个人学习、学校和企业培训的重要手段,由于空间自由、时间自由受到越来越多人青睐,不同职业、岗位或兴趣爱好的用户均有自身的学习诉求,同时每一门课程的受欢迎程度也不一样,然而现有的线上学习过程中,课程推荐无法将课程受众程度与用户个性化需求结合,从而导致推荐的课程无法满足用户,课程完课率低,造成课程资源与用户时间和精力的浪费,降低用户体验,也影响线上学习平台的用户留存率。
基于此,在本公开示例性实施例中,首先提供了一种课程推荐方法。参考图1所示,该课程推荐方法包括以下步骤:
步骤S110:采集课程行为数据,该课程行为数据包括全部用户与课程进行交互行为产生的数据;
步骤S120:根据每门课程对应的交互行为和交互行为对应的时间复杂度因子,计算每门课程的基础分值,该时间复杂度因子用于标识交互行为对课程受众程度的影响程度;
步骤S130:根据当前用户的课程学习内容更新当前用户的多个维度的用户数据,并结合每门课程的基础分值、更新后的用户数据以及预设的权重因子,计算每门课程对应于当前用户的目标分值;
步骤S140:根据目标分值确定目标课程集推荐至当前用户。
根据本示例实施例中的课程推荐方法,多个维度用户数据的权重因子可配置化,能用于引导用户向不同维度倾向学习,实现用户学习配置化管理;每门课程产生的交互行为是基于全部用户的交互数据,使推荐的课程符合大众喜好,在此基础上,结合多个维度的用户数据,也确保推荐课程符合当前用户个性化需求,提高课程推荐的易接受程度;在计算每门课程的基础分值时,考虑到交互行为对应的时间复杂度因子,将用户与课程交互行为随时间对课程受众程度的影响作为计算每门课程的基础分值的参数因子,避免因交互行为数据随时间衰减影响课程推荐的准确性。
下面结合图1对本公开示例性实施例中的课程推荐方法进行说明。
在步骤S110中,采集课程行为数据。
在本公开的示例性实施例中,课程行为数据与课程强关联,包括全部用户与课程进行交互行为产生的数据,交互行为包括多个子维度,包括但不限于用户对课程的点赞、踩、评论、转发和下载等能产生交互数据的操作子维度。其中,每个子行为有对应的时间复杂度因子,时间复杂度因子用于标识每个子行为对课程受众程度的影响值,其中课程的受众程度是指课程的受欢迎程度,受众程度越高则课程受欢迎程度越高,相反,受众程度越低则课程受欢迎程度偏低;可选地,时间复杂度因子越大标识对应的子行为对课程受众程度的影响值越高;可选地,时间复杂度因子越小则标识对应的子行为对课程的受众程度的影响值越高,当然,可以根据实际需求确定时间复杂度因子大小与对应子行为对课程的受众程度的影响值高低的关联关系,本公开对此不做特殊限定。
在一些可能的实施方式中,在根据每门课程对应的交互行为和交互行为对应的时间复杂度因子,计算每门课程的基础分值之前,还可以根据子行为类型与可操性因子的对应关系,确定每门课程的多个子行为的类型所对应的目标可操性因子,并以得到的目标可操性因子作为每个子行为对应的时间复杂度因子。
具体而言,由于不同子行为的操作复杂程度不同,从而对应的可操性因子不同,例如“课程转发”需首先触发转发,然后选择转发地址,最后触发确定转发指令,而“课程点赞”仅需一步点击操作,可见“课程转发”的操作复杂度高于“课程点赞”,二者对应的可操性因子不同,因此根据子行为类型与可操行因子的对应关系确定不同类型的子行为对应的目标可操性因子。可预先配置子行为类型与可操性因子的对应关系,可选地,子行为类型的操作复杂程度越高,则对应的可操性因子越大;可选地,子行为类型的操作复杂程度越高,则对应的可操性因子越小,当然,本公开可根据实际需求选择可操性因子与子行为类型(操作复杂程度)的关联关系,对此不做特殊限定。
在一些可能的实施方式中,还可以针对每门课程,获取每个子行为对应的目标时间衰减因子,并根据目标时间衰减因子更新对应子行为的时间复杂度因子。
具体而言,参见图2,可以通过如下方式获取每个子行为对应的目标时间衰减因子:
在步骤S210中,针对每门课程,获取每个子行为的执行时间到当前时间的时间长度,并获取时间长度大于时间阈值的概率。在本示例性实施方式中,获取每个子行为的执行时间,并获取每次执行操作的执行时间到当前时间的时间长度,并针对任一子行为,统计多个执行操作中时间长度大于时间阈值的数量,并获取该数量与对应任一子行为的执行次数的比值,得到时间长度大于时间阈值的概率。
在步骤S220中,根据概率区间与时间衰减因子的对应关系,确定任一子行为的概括对应的目标时间衰减因子。在本公开示例性实施例中,基于预设的概率区间与时间衰减因子的对应关系,获取任一子行为对应的目标时间衰减因子。可选地,概率越大,对应的时间衰减因子越大;可选地,概率越大,对应的时间衰减因子越小,当然,还可以根据实际需求选择二者的关联关系,本公开对此不做特殊限定。
进一步的,在获得每个子行为对应的目标时间衰减因子后,通过目标时间衰减因子更新对应子行为的时间复杂度因子,即更新对应子行为的目标可操性因子。可选地,可以将目标时间衰减因子与目标可操性因子相乘,得到更新后的时间复杂度因子;可选地,可以通过以下公式更新时间复杂度因子:时间复杂度因子=目标可操性因子e目标时间衰减因子,当然,具体选择何种方式来更新时间复杂度因子,可根据实际需求进行选择。
表1和表2分别示出了子行为类型与可操性因子的对应关系和概率区间与时间衰减因子的对应关系,下面结合表1和表2以一具体实施例说明获取任一子行为对应的更新后的时间复杂度因子的过程。
表1
表2
概率(%) | [85,100] | [70,85) | [60,70) | [50,60) | [40,50) | [30,40) | [0,30) |
时间衰减因子 | 0.8 | 0.7 | 0.6 | 0.5 | 0.4 | 0.3 | 0.2 |
参见表1,基于子行为类型与可操性因子的对应关系,子行为“赞”对应的可操性因子为0.1,“评论”对应的可操性因子为0.1,等等,其中,本公开中还可以根据子行为类型具有的负面行为效应,为得到的可操性因子添加负号,例如“赞”、“评论”、“下载”和“转发”为正面行为效应或无明显正负行为效应之分,则不做处理,而“踩”具有明显负面效应,则可以在“踩”对应的可操性因子前添加负号,即“﹣0.1”,从而将不同子行为类型的行为结果效应体现在可操性因子中,在计算每门课程的基础分值时能充分反映用户对课程的态度,使课程基础分值更具用户代表性。
继续参见表1所示,子行为“赞”对应的时间长度大于时间阈值的数量与执行次数的比值为25/30=83%,即子行为“赞”对应的概率为83%,则参见表2的概率区间与时间衰减因子的对应关系,得到子行为“赞”对应的目标时间衰减因子为0.7,相应的,得到子行为“踩”对应的目标时间衰减因子为0.2,表明在这门课程中,子行为“赞”随时间衰减程度高,该子行为“赞”可能对当前用户的选择影响较小,相反,子行为“踩”随时间衰减程度偏低,则该子行为“踩”可能对当前用户的选择影响偏大,基于此,子行为“赞”对应的更新后的时间复杂度因子为0.10.7,子行为“赞”对应的更新后的时间复杂度因子为-0.10.2,其他子行为获取更新后的时间复杂度因子的方式相同,在此不再赘述。
需要说明的是,上述表1和表2中的具体数值和采用的更新时间复杂度因子的方式仅为示例性的,表1、表2中的具体数值及采用的更新时间复杂度因子的方式,还可根据实际需求进行调整,凡是子行为随时间衰减程度高,基于时间衰减因子更新后的时间复杂度因子呈现不同程度降低趋势的,均在本公开的保护范围。
在本公开的示例性实施例中,由于子行为是随时间衰减的,子行为执行的时间距当前时间越远,该子行为对当前用户影响越小,因此通过获取任一子行为的执行时间到当前时间的时间长度大于时间阈值的概率,并基于概率区间与时间衰减因子的对应关系,得到任一子行为对应的目标时间衰减因子,从而在考虑课程的受众程度时,将子行为的时间衰减性作为影响因子,使得到的每门课程的基础分值更符合当前时间的用户喜好,提高后续基于每门课程基础分值的课程推荐的准确性。
在步骤S120中,根据每门课程对应的交互行为和交互行为对应的时间复杂度因子,计算每门课程的基础分值。
在本公开的示例性实施例中,每门课程的基础分值反映了全部用户对该课程的喜欢兴趣程度,基础分值越大,表明该门课程受众程度高。由步骤S110可知,每门课程对应的交互行为包括多个子行为,参见图3示出了本公开示例性实施例的计算每门课程的基础分值的流程图,如图3可知,该过程包括:在步骤S310中,获取每个子行为的执行次数;在步骤S320中,根据每个子行为的执行次数和对应的时间复杂度因子,计算每门课程的基础分值。
在一些可能的实施方式中,可以通过如下公式计算每门课程的基础分值:
A=M1×n1+M2×n2+M3×n3+……Mm×nm
其中,A为每门课程的基础得分,M1为课程A对应的子行为1的执行次数,n1为子行为1对应的时间复杂度因子,M2为课程A对应的子行为2的执行次数,n2为子行为2对应的时间复杂度因子,M3为课程A对应的子行为3的执行次数,n3为子行为3对应的时间复杂度因子,Mm为课程A对应的子行为m的执行次数,nm为子行为m对应的时间复杂度因子,其中m对应于课程A所对应的子行为的数量。
通过本公开的示例性实施例,针对每门课程,将每门课程对应的子行为与对应的时间复杂度因子加权求和,得到每门课程的基础分值,既体现全部用户对该每门课程的兴趣程度,也体现出用户不同行为随时间衰减对课程受众程度的影响。
在步骤S130中,根据当前用户的课程学习内容更新当前用户的具有多个维度的用户数据,并结合每门课程的基础分值、更新后的用户数据以及预设的权重因子,计算每门课程对应于当前用户的目标分值。
在本公开的示例性实施例中,当前用户的具有多个维度的用户数据包括当前用户的交互行为数据、用户属性数据和业务数据。其中,交互行为数据为标识用户与课程交互关联性的数据,包括但不限于点赞、评论、转发、分享、踩、收藏等交互行为,从交互行为数据中可获取用户喜欢的课程类型(或喜欢的课程标签),反映出用户的课程兴趣点;用户属性数据为用户的个人基础信息数据,包括但不限于职级、所辖人员、岗位等;业务数据为用户业务能力数据,包括但不限于业务方向、业务层级、客户数量、业务完成量等。
通过当前用户的具有多个维度的用户数据能够获取当前用户的兴趣标签,例如,在交互行为数据中存在当前用户大量点击“法律”类型相关的课程,则能获取当前用户的兴趣标签“法律”;在用户属性数据中存在当前用户为“管理员”、“高效管理”等数据,则获取当前用户的兴趣标签为“管理”、“高效”等;在用户业务数据中存在“健康险”、“出单”、“客户数量”等,则获取当前用户的兴趣标签为“健康险”,也就是说,从当前用户的交互行为数据、用户属性数据和业务数据中,能够获取具有反映用户当前需求的兴趣标签。
图4示出了根据本公开示例性实施例的计算每门课程对应于当前用户的目标分值的流程图,如图4所示,该过程包括:
在步骤S410中,根据课程学习内容确定当前用户的兴趣课程类型,并更新当前用户的交互行为数据中与兴趣课程类型关联的数据。
在本公开的示例性实施例中,在当前用户参与学习的过程中,往往产生新的交互行为数据,从而继续影响后续的课程推荐,因此首先根据当前用户的课程学习内容确定兴趣课程类型,并更新当前用户的交互行为数据中与该兴趣课程类型关联的数据。
例如,可以获取距离当前时间之前预设时间段内的课程学习内容;又如,可以获取上一次更新当前用户的交互行为数据之后产生的全部的课程学习内容。随后,从获得的课程学习内容中获取当前用户的兴趣课程类型,举例而言,若获得课程学习内容中存在当前用户观看过基本法相关视频,则获取当前用户的兴趣课程类型为“法律”、“基本法”,则将用户交互行为数据中“法律”、“基本法”关联的数据进行更新,其中,若用户交互行为数据中原始并未存在此类相关数据,则直接将新增的“法律”、“基本法”交互数据增加至当前用户的交互行为数据即可,若用户交互行为数据中存在“法律”、“基本法”关联的数据,既可以将新增的“法律”、“基本法”交互数据直接增加至当前用户的交互行为数据,同时也可以将相关联的数据且距离当前时间的时间长度超过时间阈值的交互数据进行替换,以确保当前用户的交互行为数据为符合当前用户在当前时刻的兴趣和个性化的数据。
在步骤S420中,根据每门课程的基础分值和预设的课程互动权重因子,计算每门课程的课程互动分值。
在本公开的示例性实施例中,预设的课程互动权重因子包含于预设的权重因子,用于标识每门课程的课程互动对该门课程目标分值的影响程度。其中,每门课程的课程互动分值可以通过每门课程的基础分值与对应的互动权重因子的乘积确定,例如,若某课程A的基础分值为70分,预设的课程互动权重因子为30%,则课程A对应的课程互动分值为21=70×30%。
在步骤S430中,结合每门课程的基础分值、用户属性数据、业务数据、更新后的交互行为数据,以及预设的权重因子,计算每门课程对应于当前用户的用户分值。
在本公开的示例性实施例中,预设的权重因子除了包括步骤420所述的预设的课程互动权重因子之外,还可以包括用户属性数据对应的属性权重因子、业务数据对应的业务权重因子和更新后的交互行为数据对应的交互权重因子,包括预设的课程互动权重因子在内,预设的权重因子可根据实际推荐需求进行调整,例如为了在推荐课程中充分考虑用户属性、用户业务和用户交互行为,并削弱课程对推荐课程的影响,则可以降低预设的课程互动权重因子,并相应提高其他几个预设的权重因子,即预设的权重因子具有倾向可配置性,能够实现对用户学习的引导,例如,作为用户主管,可以根据所辖下属的具体实际情况,配置不同的预设的权重因子,从而引导所辖下属进行学习。
进一步的,图5示出了根据本公开示例性实施例的结合每门课程的基础分值、用户属性数据、业务数据、更新后的交互行为数据,以及预设的权重因子,计算每门课程对应于当前用户的用户分值的流程图,如图5所示,该过程包括:
在步骤S510中,从用户属性数据、业务数据、更新后的交互行为数据中获取兴趣标签。
在本公开的示例性实施例中,从当前用户的用户属性数据、业务数据和更新后的交互行为数据中,能够获取具有反映用户当前需求的兴趣标签,如“法律”、“健康险”和“管理”等。
在步骤S520中,判断是否存在目标兴趣标签对应的目标课程,若存在,则根据目标兴趣标签所属目标数据维度对应的权重和目标课程对应的基础分值,计算目标课程对应于目标数据维度的得分。
在本公开的示例性实施例中,在步骤S510获取当前用户的兴趣标签后,依次判断各标签是否存在对应的关联课程,若存在,则为对应的关联课程增加对应于该兴趣标签所属目标数据维度的得分,也就是说,增加的得分是根据兴趣标签所属的目标数据维度的权重以及该门课程的基础分值确定的。
例如,目标兴趣标签“法律”来自交互行为数据维度,且存在关联的目标课程A、目标课程B和目标课程C,则为这三门课程分别增加对应于交互行为数据维度的得分,其中得分是根据交互行为数据维度对应的交互权重因子(包含于预设的权重因子)和每门课程的基础分值来确定,例如目标课程A的基础分值为70、目标课程B的基础分值为75、目标课程C的基础分值为60,且交互行为数据维度对应的交互权重因子为30%,则目标课程A、目标课程B和目标课程C分别增加分值为70×30%=21、75×30%=22.5、60×30%=18,依次类推,根据用户兴趣标签的关联关系,不同课程可以获得不同的增加得分。
在一些可能的实施方式中,在目标兴趣标签所属的目标数据维度包括业务数据时,在根据目标兴趣标签所属目标数据维度对应的权重和目标课程对应的基础分值,计算目标课程对应于目标数据维度的得分时,还可以根据当前用户的业务数据,评估确定当前用户的业务能力维度,若业务能力维度达到预设能力维度,则为目标课程对应于当前用户的业务数据维度的得分添加负号。
具体而言,由于业务数据维度的得分高低反映了当前用户对此业务相关课程的需求程度,若根据当前用户的业务数据评估确定当前用户的业务能力维度达到预设能力维度,可以降低此类目标课程的推荐,因此通过为该目标课程对应于当前用户的业务数据维度的得分添加负号,降低了后续求取各业务数据维度的得分之和,相应的,若当前用户的业务能力未达到预设能力维度,则保持该类目标课程的推荐,因此对该目标课程对应于当前用户的业务数据维度的得分不做添加负号的处理,从而通过添加负号与否,降低或增加目标课程被推荐的可能性,实现“扬长避短”的效果。
在步骤S530中,针对每门课程,求取对应于每个数据维度的得分的和值,作为每门课程对应于当前用户的用户分值。
在本公开的示例性实施例中,针对每门课程,求取对应于每个数据维度的得分的和值,作为每门课程对应于当前用户的用户分值。
以课程A为例,课程A的基础分值为70,且预设的用户属性数据维度对应的属性权重因子为20%,业务数据维度对应的业务权重因子为20%,更新后的交互行为数据对应的交互权重因子为30%,那么通过步骤S520可以得到课程A对应于用户属性数据维度的得分为70×20%=14,课程A对应于业务数据维度的得分为70×20%=14,课程A对应于更新后的交互行为数据维度的得分为70×30%=21,则课程A对应于当前用户的用户分值为14+14+21=49。
在一些可能的实施方式中,用户行为数据可能不存在,即当前用户还未存在任何与课程的交互数据,这种情况下,更新后的交互行为数据对应的权重则为空,可选地,可以将该数据维度对应的权重平均分配至其他数据维度和课程互动权重因子,继续以课程A为例,将更新后的交互行为数据对应的权重为30%平均分配给其他数据维度和课程互动权重因子,则用户属性数据维度对应的属性权重因子为30%,业务数据维度对应的业务权重因子为30%,课程互动权重因子由原来30%改变为40%。可选地,也可以将该数据维度对应的权重平均分配至其他数据维度且不调整课程互动权重因子。
在一些可能的实施方式中,每门课程对应于不同数据维度的得分可以以该门课程的课程互动分值为基础,例如课程A的课程互动权重因子为30%,则课程A对应于业务数据维度的得分为70×30%×20%=4.2,课程A对应于更新后的交互行为数据维度的得分为70×30%×30%=6.3,基于此,得到课程A对应于各个数据维度的得分是在课程互动分值基础上确定的,使得分同时兼顾课程本身和当前用户的个性化兴趣需求。
通过本示例性实施例,得到每门课程对应于当前用户的用户分值,反映了用户个性化兴趣,用户分值高说明当前用户对该门课程的兴趣程度高,相反,用户分值低则说明当前用户对该门课程的兴趣度低。
在一些可能的实施方式中,在根据目标兴趣标签所属目标数据维度对应的权重和目标课程对应的基础分值,计算目标课程对应于目标数据维度的得分之前,还可以获取目标兴趣标签在所属目标数据维度的出现频次,并根据出现频次调整所属目标数据维度对应的权重,例如,对于用户A,兴趣标签“法律”在更新后的交互行为数据维度中出现5次,对于用户B,兴趣标签“法律”在更新后的交互行为数据维度中出现1次,则调整用户A的更新后的交互行为数据维度对应的权重大于用户B的更新后的交互行为数据维度的权重,也就是说,更新后的交互行为数据维度对于用户A的影响程度要高于用户B,将用户A的该维度的权重增加,基于该数据维度权重的调整,从而针对每门课程,同一数据维度的得分对于不同用户是不同的,即使不同用户存在的兴趣标签均相同,且与兴趣标签对应的目标课程也相同的情况下,由于兴趣标签出现频次的不同,不同用户的得分也是不同的,从而再次从用户维度区分每门课程的得分。
在步骤S440中,针对每门课程,根据对应的课程互动分值和用户分值计算目标分值。
在本公开的示例性实施例中,针对每门课程,在获得当前用户的课程互动分值和用户分值后,可以求取课程互动分值与用户分值之和作为每个当前用户的目标分值,基于此,每门课程对应于当前用户的目标分值综合了课程自身的互动影响与当前用户的个性化兴趣需求。
在一些可能的实施方式中,可以按照目标分值由大到小的顺序进行排序形成序列,并获取序列前N门课程形成目标课程集推荐至当前用户,其中N为正整数。
在一些可能的实施方式中,在根据目标分值确定目标课程集推荐至当前用户之前,还可以获取目标课程集中每门课程的播放信息,并根据播放信息调整目标课程集中课程的排序方式,并按照调整后的排序方式将目标课程集推荐至所述当前用户。其中,播放信息包括但不限于视频课程的完播率(视频的播放完成率,即观看完视频的用户数/点击观看视频的用户数),观看时长占比(即观看进度,用户在当前时间点对应的已观看视频长度与课程总时长之比),重播次数等。基于此,能够根据视频课程的播放信息为当前用户推荐接受度更高的课程,提高推荐课程的准确性,也增加课程的用户留存。
下面结合具体应用场景对本公开的课程推荐方法进行说明,图6示出了本公开的课程推荐方法应用于具体应用场景的流程图,如图6,首先管理员为当前用户的管理者,例如保险行业中管理员对不同代理人的管理,管理员可以通过配置预设的权重因子,调整课程推荐的倾向来引导代理人学习课程,该过程具体包括:
在步骤S610中,采集并存储课程行为数据;在步骤S620中,采集当前用户的用户属性数据;在步骤S630中,采集当前用户的交互行为数据,在步骤S640中,采集当前用户的业务数据;在步骤S650中,由管理员配置预设的权重因子;其中,步骤S610至步骤S650的执行顺序并非按照步骤序号执行,也可以灵活调整,或者同时执行,本公开对此不做特殊限定。
在步骤S660中,基于本公开的课程推荐方法及步骤S610至步骤S650采集的课程行为数据和用户数据以及预设的权重因子,计算每门课程对应于当前用户的目标分值,并根据目标分值将课程进行排序形成序列推荐至当前用户;在步骤S670中,当前用户根据课程推荐进行学习,并产生新的交互行为数据;在步骤S680中,根据当前用户的学习内容更新交互行为数据,以便应用于步骤S660重新调整课程推荐结果,从而使得推荐给当前用户的目标课程集为当前时刻最佳。
其中,在向用户推荐课程集的过程中,可以以Feed流(用来接收信息来源更新的接口)的形式,以便当前用户可以不间断的学习。
根据本示例实施例中的课程推荐方法,多个维度用户数据的权重因子可配置化,能用于引导用户向不同维度倾向学习,实现用户学习配置化管理;每门课程产生的交互行为是基于全部用户的交互数据,使推荐的课程符合大众喜好,在此基础上,结合多个维度的用户数据,也确保推荐课程符合当前用户个性化需求,提高课程推荐的易接受程度;在计算每门课程的基础分值时,考虑到交互行为对应的时间复杂度因子,将用户与课程交互行为随时间对课程受众程度的影响作为计算每门课程的基础分值的参数因子,避免因交互行为数据随时间衰减影响课程推荐的准确性。
此外,在本公开的示例性实施例中,还提供了一种课程推荐装置。参考图7所示,该课程推荐装置700可以包括数据采集模块710、基础分值计算模块720、目标分值计算模块730以及课程推荐模块740。具体地,
数据采集模块710,用于采集课程行为数据,该课程行为数据包括全部用户与课程进行交互行为产生的数据;
基础分值计算模块720,用于根据每门课程对应的交互行为和交互行为对应的时间复杂度因子,计算每门课程的基础分值,时间复杂度因子用于标识交互行为对课程受众程度的影响程度;
目标分值计算模块730,用于根据当前用户的课程学习内容更新当前用户的具有多个维度的用户数据,并结合每门课程的基础分值、更新后的用户数据以及预设的权重因子,计算每门课程对应于当前用户的目标分值;
课程推荐模块740,用于根据目标分值确定目标课程集推荐至当前用户。
在本公开的一示例性实施例中,交互行为包括多个维度的子行为;本公开的课程推荐装置700还可以包括:
目标可操性因子确定模块,用于根据子行为类型与可操性因子的对应关系,确定每门课程的多个子行为的类型所对应的目标可操性因子;
时间复杂度因子确定模块,用于以目标可操性因子作为每个子行为对应的时间复杂度因子。
在本公开的一示例性实施例中,本公开的课程推荐装置700还可以包括:
时间复杂度因子更新模块,用于针对每门课程,获取每个子行为对应的目标时间衰减因子,并根据目标时间衰减因子更新对应子行为的时间复杂度因子;
其中,时间复杂度因子更新模块还可以包括:
概率获取单元,用于针对每门课程,获取每个子行为的执行时间到当前时间的时间长度,并获取时间长度大于时间阈值的概率,该概率为每个子行为对应的时间长度大于时间阈值的数量与执行次数的比值;
目标时间衰减因子确定单元,用于根据概率区间与时间衰减因子的对应关系,确定每个子行为的概率对应的目标时间衰减因子。
在本公开的一示例性实施例中,基础分值计算模块720可以包括:
执行次数获取单元,用于获取每个子行为的执行次数;
基础分值计算单元,用于根据每个子行为的执行次数和对应的时间复杂度因子,计算每门课程的基础分值。
在本公开的一示例性实施例中,当前用户的具有多个维度的用户数据包括所述当前用户的交互行为数据、用户属性数据和业务数据;目标分值计算模块730可以包括:
数据更新单元,用于根据课程学习内容确定当前用户的兴趣课程类型,并更新当前用户的交互行为数据中与兴趣课程类型关联的数据;
课程互动分值计算单元,用于根据每门课程的基础分值和预设的课程互动权重因子,计算每门课程的课程互动分值,该预设的课程互动权重因子包含于预设的权重因子;
用户分值计算单元,用于结合每门课程的基础分值、用户属性数据、业务数据、更新后的交互行为数据,以及预设的权重因子,计算每门课程对应于当前用户的用户分值;
目标分值计算单元,用于针对每门课程,根据对应的课程互动分值和用户分值计算目标分值。
在本公开的一示例性实施例中,目标分值计算模块730还可以包括:
兴趣标签获取单元,用于从用户属性数据、业务数据、更新后的交互行为数据中获取兴趣标签;
数据维度得分计算单元,用于判断是否存在目标兴趣标签对应的目标课程,若存在,则根据目标兴趣标签所属目标数据维度对应的权重和目标课程对应的基础分值,计算目标课程对应于所述目标数据维度的得分;
用户分值计算单元还用于针对每门课程,求取对应于每个数据维度的得分的和值,作为每门课程对应于当前用户的用户分值。
在本公开的一示例性实施例中,目标分值计算模块730还可以包括:
频次获取单元,用于获取目标兴趣标签在所属目标数据维度的出现频次;
权重调整单元,用于根据出现频次调整所属目标数据维度对应的权重。
在本公开的一示例性实施例中,目标分值计算模块730还可以包括:
业务能力维度评估单元,用于根据当前用户的业务数据,评估确定当前用户的业务能力维度;
数据处理单元,用于若业务能力维度达到预设能力维度,则为目标课程对应于当前用户的业务数据维度的得分添加负号。
在本公开的一示例性实施例中,本公开的课程推荐装置还可以包括:
播放信息获取模块,用于获取目标课程集中每门课程的播放信息;
排序调整模块,用于根据播放信息调整目标课程集中课程的排序方式,并按照调整后的排序方式将目标课程集推荐至当前用户。
由于本公开的示例性实施例的课程推荐装置的各个功能模块与上述课程推荐方法的发明实施例中相同,因此在此不再赘述。
应当注意,尽管在上文详细描述中提及了课程推荐装置的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本公开的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
此外,在本公开示例性实施方式中,还提供了一种能够实现上述方法的计算机存储介质。其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施例中,本公开的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在终端设备上运行时,所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施例的步骤。
参考图8所示,描述了根据本公开的示例性实施方式的用于实现上述方法的程序产品800,其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本公开的程序产品不限于此,在本文件中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
此外,在本公开的示例性实施例中,还提供了一种能够实现上述方法的电子设备。所属技术领域的技术人员能够理解,本公开的各个方面可以实现为系统、方法或程序产品。因此,本公开的各个方面可以具体实现为以下形式,即:完全的硬件实施例、完全的软件实施例(包括固件、微代码等),或硬件和软件方面结合的实施例,这里可以统称为“电路”、“模块”或“系统”。
下面参照图9来描述根据本公开的这种实施例的电子设备900。图9显示的电子设备900仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图9所示,电子设备900以通用计算设备的形式表现。电子设备900的组件可以包括但不限于:上述至少一个处理单元910、上述至少一个存储单元920、连接不同系统组件(包括存储单元920和处理单元910)的总线930、显示单元940。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元910执行,使得所述处理单元910执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施例的步骤。
存储单元920可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)9201和/或高速缓存存储单元9202,还可以进一步包括只读存储单元(ROM)9203。
存储单元920还可以包括具有一组(至少一个)程序模块9205的程序/实用工具9204,这样的程序模块9205包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线930可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备900也可以与一个或多个外部设备1000(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备900交互的设备通信,和/或与使得该电子设备900能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口950进行。并且,电子设备900还可以通过网络适配器960与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器960通过总线930与电子设备900的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备900使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施例的描述,本领域的技术人员易于理解,这里描述的示例实施例可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施例的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施例的方法。
此外,上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其他实施例。本公开旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限。
Claims (10)
1.一种课程推荐方法,其特征在于,包括:
采集课程行为数据,所述课程行为数据包括全部用户与课程进行交互行为产生的数据;
根据每门课程对应的交互行为和所述交互行为对应的时间复杂度因子,计算所述每门课程的基础分值,所述时间复杂度因子用于标识所述交互行为对课程受众程度的影响程度;
根据当前用户的课程学习内容更新当前用户的具有多个维度的用户数据,并结合所述每门课程的基础分值、更新后的用户数据以及预设的权重因子,计算所述每门课程对应于所述当前用户的目标分值;
根据所述目标分值确定目标课程集推荐至所述当前用户。
2.根据权利要求1所述的方法,其特征在于,所述交互行为包括多个维度的子行为;
在所述根据每门课程对应的交互行为和所述交互行为对应的时间复杂度因子,计算所述每门课程的基础分值之前,所述方法还包括:
根据子行为类型与可操性因子的对应关系,确定每门课程的多个子行为的类型所对应的目标可操性因子;
以所述目标可操性因子作为所述每个子行为对应的时间复杂度因子。
3.根据权利要求2所述的方法,其特征在于,所述方法还包括:针对所述每门课程,获取每个所述子行为对应的目标时间衰减因子,并根据所述目标时间衰减因子更新对应子行为的时间复杂度因子;
其中,获取每个所述子行为对应的目标时间衰减因子,包括:
针对每门课程,获取每个所述子行为的执行时间到当前时间的时间长度,并获取所述时间长度大于时间阈值的概率,所述概率为每个所述子行为对应的时间长度大于时间阈值的数量与执行次数的比值;
根据概率区间与时间衰减因子的对应关系,确定每个所述子行为的概率对应的目标时间衰减因子。
4.根据权利要求2所述的方法,其特征在于,所述根据每门课程对应的交互行为和所述交互行为对应的时间复杂度因子,计算所述每门课程的基础分值,包括:
获取每个所述子行为的执行次数;
根据每个所述子行为的执行次数和对应的时间复杂度因子,计算所述每门课程的基础分值。
5.根据权利要求1所述的方法,其特征在于,所述当前用户的具有多个维度的用户数据包括所述当前用户的交互行为数据、用户属性数据和业务数据;
所述根据当前用户的课程学习内容更新当前用户的多个维度的用户数据,并结合所述每门课程的基础分值、更新后的用户数据以及预设的权重因子,计算所述每门课程对应于所述当前用户的目标分值,包括:
根据所述课程学习内容确定所述当前用户的兴趣课程类型,并更新所述当前用户的交互行为数据中与所述兴趣课程类型关联的数据;
根据所述每门课程的基础分值和预设的课程互动权重因子,计算所述每门课程的课程互动分值,所述预设的课程互动权重因子包含于所述预设的权重因子;
结合所述每门课程的基础分值、用户属性数据、业务数据、更新后的交互行为数据,以及预设的权重因子,计算每门课程对应于所述当前用户的用户分值;
针对每门课程,根据对应的所述课程互动分值和用户分值计算所述目标分值。
6.根据权利要求5所述的方法,其特征在于,所述结合所述每门课程的基础分值、用户属性数据、业务数据、更新后的交互行为数据,以及预设的权重因子,计算每门课程对应于所述当前用户的用户分值,包括:
从所述用户属性数据、业务数据、更新后的交互行为数据中获取兴趣标签;
判断是否存在目标兴趣标签对应的目标课程,若存在,则根据所述目标兴趣标签所属目标数据维度对应的权重和所述目标课程对应的基础分值,计算所述目标课程对应于所述目标数据维度的得分;
针对每门课程,求取对应于每个数据维度的所述得分的和值,作为所述每门课程对应于所述当前用户的用户分值。
7.根据权利要求5所述的方法,其特征在于,在所述目标兴趣标签所属的目标数据维度包括业务数据时,所述根据所述目标兴趣标签所属目标数据维度对应的权重和所述目标课程对应的基础分值,计算所述目标课程对应于所述目标数据维度的得分,包括:
根据所述当前用户的业务数据,评估确定所述当前用户的业务能力维度;
若所述业务能力维度达到预设能力维度,则为所述目标课程对应于所述当前用户的业务数据维度的得分添加负号。
8.一种课程推荐装置,其特征在于,所述课程推荐装置包括:
数据采集模块,用于采集课程行为数据,所述课程行为数据包括全部用户与课程进行交互行为产生的数据;
基础分值计算模块,用于根据每门课程对应的交互行为和所述交互行为对应的时间复杂度因子,计算所述每门课程的基础分值,所述时间复杂度因子用于标识所述交互行为对课程受众程度的影响程度;
目标分值计算模块,用于根据当前用户的课程学习内容更新当前用户的具有多个维度的用户数据,并结合所述每门课程的基础分值、更新后的用户数据以及预设的权重因子,计算所述每门课程对应于所述当前用户的目标分值;
课程推荐模块,用于根据所述目标分值确定目标课程集推荐至所述当前用户。
9.一种计算机存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现根据权利要求1至7中任一项所述的课程推荐方法。
10.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如权利要求1至7中任一项所述的课程推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111314361.XA CN114036381A (zh) | 2021-11-08 | 2021-11-08 | 课程推荐方法及装置、存储介质和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111314361.XA CN114036381A (zh) | 2021-11-08 | 2021-11-08 | 课程推荐方法及装置、存储介质和电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114036381A true CN114036381A (zh) | 2022-02-11 |
Family
ID=80143392
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111314361.XA Pending CN114036381A (zh) | 2021-11-08 | 2021-11-08 | 课程推荐方法及装置、存储介质和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114036381A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114723488A (zh) * | 2022-04-07 | 2022-07-08 | 平安科技(深圳)有限公司 | 课程推荐方法、装置、电子设备及存储介质 |
CN115018271A (zh) * | 2022-05-23 | 2022-09-06 | 武汉翰林文融教育咨询有限公司 | 一种基于智慧校园建设的学生课程选课智能推荐管理系统 |
-
2021
- 2021-11-08 CN CN202111314361.XA patent/CN114036381A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114723488A (zh) * | 2022-04-07 | 2022-07-08 | 平安科技(深圳)有限公司 | 课程推荐方法、装置、电子设备及存储介质 |
CN114723488B (zh) * | 2022-04-07 | 2023-05-30 | 平安科技(深圳)有限公司 | 课程推荐方法、装置、电子设备及存储介质 |
CN115018271A (zh) * | 2022-05-23 | 2022-09-06 | 武汉翰林文融教育咨询有限公司 | 一种基于智慧校园建设的学生课程选课智能推荐管理系统 |
CN115018271B (zh) * | 2022-05-23 | 2023-04-07 | 深圳市敏思跃动科技有限公司 | 一种基于智慧校园建设的学生课程选课智能推荐管理系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20200334676A1 (en) | Information recommendation method and apparatus, and medium | |
US10642655B2 (en) | Real-time partitioned processing streaming | |
CN109360012B (zh) | 广告投放渠道的选择方法及装置、存储介质、电子设备 | |
US10191895B2 (en) | Adaptive modification of content presented in electronic forms | |
CN110929052A (zh) | 多媒体资源推荐方法、装置、电子设备及存储介质 | |
US11017430B2 (en) | Delivering advertisements based on user sentiment and learned behavior | |
CN112261423B (zh) | 用于推送信息的方法、装置、设备以及存储介质 | |
CN108334641B (zh) | 采集用户行为数据的方法、系统、电子设备、存储介质 | |
US20200250215A1 (en) | Processing unstructured voice of customer feedback for improving content rankings in customer support systems | |
US10084870B1 (en) | Identifying user segment assignments | |
CN114036381A (zh) | 课程推荐方法及装置、存储介质和电子设备 | |
US9911130B1 (en) | Attribution modeling using regression analysis | |
US20140244359A1 (en) | Using media information for improving direct marketing response rate | |
CN111400600A (zh) | 一种消息推送方法、装置、设备和存储介质 | |
CN109299356A (zh) | 基于大数据的活动推荐方法、装置、电子设备及存储介质 | |
CN109190028A (zh) | 基于大数据的活动推荐方法、装置、电子设备及存储介质 | |
US20100217668A1 (en) | Optimizing Delivery of Online Advertisements | |
US20160155198A1 (en) | Distribution apparatus, distribution method, and non-transitory computer readable storage medium | |
CN110275779B (zh) | 一种资源获取方法、装置、设备和存储介质 | |
CN113722588B (zh) | 资源推荐方法、装置及电子设备 | |
CA3013346C (en) | Method and system for personalizing software based on real time tracking of voice-of-customer feedback | |
CN111200639B (zh) | 基于用户操作行为的信息推送方法、装置和电子设备 | |
CN113781084A (zh) | 一种调查问卷展示方法和装置 | |
US20180025088A1 (en) | Filtering irrelevant actor updates from content feeds | |
CN111353455A (zh) | 视频内容确定方法及装置、存储介质及电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |